Априорный анализ и его роль в статистическом моделировании
Оценка эффективности и деловой активности субъектов экономического процесса и состояния социальной инфраструктуры общества во многом зависит от качества статистического анализа эмпирического материала, от того, насколько точно будут выявлены и научно обоснованны закономерности и тенденции развития. Основные трудности, связанные с применением количественных математико-статистических методов, заключаются в том, что они достаточно нейтральны к исследуемым социально-экономическим процессам. Поэтому основным этапом проведения статистического исследования на информационной базе, характеризующей реальные социально-экономические явления, является критическая оценка исходных данных с точки зрения их достоверности и научной обоснованности, которая в статистическом моделировании реализуется методами априорного анализа, включающего в себя: выявление экономически обоснованных и существенных причинно-следственных связей между признаками и явлениями; оценку однородности исследуемой совокупности; анализ характера распределения совокупности по изучаемым признакам. Понятия, используемые при проведении анализа статистическими методами, должны быть точно определены. Необходимо четко определить, к какому моменту или периоду времени относится исследуемое явление или процесс. Одной из основополагающих предпосылок проведения научно-обоснованного статистического анализа, адекватно отражающего причинно-следственные связи и зависимости, тенденции развития реальных явлений и процессов в динамике, является однородность статистической совокупности. Анализ однородности статистической совокупности целесообразно проводить в следующей последовательности: определение степени однородности всей совокупности по одному или нескольким существенным признакам; определение и анализ аномальных наблюдений; выбор оптимального варианта выделения однородных совокупностей. В статистической теории и практике разработаны различные подходы к оценке степени однородности. Проблемой оценки однородности совокупности занимались такие известные ученые, как Ю. Аболенцев, Г. Кильдишев, В. Овсиенко и др. Наиболее сложным и дискуссионным является вопрос о способах и критериях выделения однородных групп объектов в пределах исходной совокупности. Важной предпосылкой получения научно-обоснованных результатов статистического анализа и моделирования является проверка и выполнение гипотезы о близости распределения эмпирических данных нормальному закону. Для нормального закона распределения характерно: ; As = 0; Ex = 0 Одним из недостатков данного подхода к оценке характера распределения является наличие субъективности в анализе достаточности величины отклонения от Me и Mo от Me для подтверждения гипотезы. Любая исследуемая совокупность, наряду со значениями признаков, сложившихся под влиянием факторов, непосредственно характерных для анализируемой совокупности, может содержать и значения признаков, полученных под воздействием иных факторов, не характерных для основной совокупности. Такие значения резко выделяются и, следовательно, использование методологии статистического моделирования без предварительного анализа и изучения аномальных наблюдений приводит к серьезным ошибкам при анализе. Резко выделяющиеся из общей совокупности наблюдения требуют их изучения. Причины появления в совокупности аномальных наблюдений можно условно подразделить следующим образом: внешние, возникающие в результате технических ошибок; внутренние, объективно существующие. Такие наблюдения представляют интерес для исследователя, так как могут содержать, за счет влияния особых неучтенных факторов, особую информацию. На практике, в зависимости от условий места и времени, влияние одних факторов в каждый конкретный исследуемый момент или промежуток времени значительнее, чем других. Выбор того или иного метода выявления и анализа аномальных наблюдений определяется объемом совокупности, характером исследуемых процессов и задач (одномерные и многомерные). При реализации одномерных задач, как при анализе динамической, так и при анализе статической информации, наиболее широкое применение получил метод выявления аномальных наблюдений, основанный на определении q - статистики: (7.1) где yt - отдельные уровни ряда; - средний уровень ряда; σy - среднеквадратическое отклонение значений ряда от их среднего уровня. Если для расчетного значения выполняется неравенство: qt ≥ qt кр (р) (7.2) с заранее заданными уровнями вероятности, то данное наблюдение считается аномальными и, после логико-экономического анализа причин ошибок аномальности, подлежит замене скорректированным значением (в случае ошибки "I") и не подлежат корректировке (в случае ошибки "II"). Корректировка осуществляется по схеме: Рассчитывается новое значение уровня ряда: . (7.3) 2. заменяется в ряду на . Определяются новые характеристики ряда с : и . Рассчитывается следующее значение: . (7.4) Проверяется аномальность значения : , (7.5) где ε - заданный уровень точности определения . Если данное условие выполняется, то значение является скорректированным, не аномальным значением, занимает место в ряду и анализу подвергается . Если условие не выполняется, то рекомендуется рассчитать и проверить на аномальность. Процесс корректировки носит итерационный характер. В рядах динамики наибольшее распространение получил метод Ирвина, основанный на определении λ - статистики. При его использовании выявление аномальных наблюдений производится по схеме: (7.6) Если расчетное значение превысит уровень критического (с заданным уровнем точности и числом наблюдений) (таблица 1.1), то расчетное значение признается аномальным. Схема реализации данного метода аналогична предыдущей с той лишь разницей, что заменяется на yi-1 (предыдущее значение ряда). Способ, основанный на расчете q - статистики применим для относительно стационарных рядов, так как при использовании для анализа динамических рядов, имеющих ярко выраженную тенденцию, он приведет к ошибкам. Способ, основанный на расчете q - статистики применим для относительно стационарных рядов, так как при использовании для анализа динамических рядов, имеющих ярко выраженную тенденцию, он приведет к ошибкам. Таблица 7.1 Табулированные значения λi.
Более корректным является использование статистики, в которой определяются отклонения от теоретических значений, полученных по уравнению тренда : (7.7) Нецелесообразность исключения аномальных явлений из изучаемой совокупности реализуется широким использованием метода группировок. Важной задачей статистических исследований на этапе априорного анализа является выделение однородных групп (даже аномальных). В данном случае эффективно применять в анализе сложные комбинационные группировки с развернутым сказуемым.
Ви переглядаєте статтю (реферат): «Априорный анализ и его роль в статистическом моделировании» з дисципліни «Бізнес-статистика та прогнозування»
